안녕하세요 주간SaaS 입니다. 오늘은 Spotify가 과거 성과 데이터를 바탕으로, 자연어 상호작용을 통해 최적화된 미디어 광고 플랜을 생성할 수 있도록 지원하는 에이전트를 구축한 이야기를 소개 합니다. 단순한 AI 기능을 출시하는것이 아니라 구조적인 변화를 통하여 복잡한 기존의 비즈니스 프로세스/로직을 에이전틱 기반의 시스템으로 전환한 좋은 사례라고 생각 됩니다.

서론

이 프로젝트를 처음 시작할 때, 우리의 목표는 단순히 하나의 "AI 기능"을 출시하는 것이 아니었습니다. 우리는 소프트웨어 상에서 광고 비즈니스가 실제로 운영되는 방식의 구조적인 문제를 해결하고자 했습니다.

비즈니스 측면에서 보면, 스포티파이에는 다이렉트(Direct), 셀프서비스(Self‑Serve), 프로그래매틱(Programmatic) 등 여러 구매 방식이 존재하며, 이들은 대부분 하나로 통합된 백엔드 위에서 작동합니다. 인프라는 공유되지만, 그 동작 방식은 그렇지 않습니다. 각 구매 채널은 고유한 워크플로우와 의사결정 로직, 그리고 저마다의 "성공적인 기준"을 가지고 있습니다. 엔지니어링 측면에서 이는 "서로 다른 스택"이라기보다는, 하나의 몸체에 "서로 다른 뇌"가 연결되어 있는 형태에 가깝습니다.

따라서 서비스를 통합하기 위한 노력을 기울였음에도 불구하고, 워크플로우 레이어에서는 여전히 파편화된 동작이 발생했습니다. 예산 배분 방식, 인벤토리 선택 방식, 도달 범위(reach)와 효율성 및 STR(Sell-Through Rate) 간의 균형 조절 방식 등 핵심적인 의사결정이 채널 및 서피스별로 중복 구현되었습니다. 시간이 지나면서 이 로직들은 서로 어긋나기 시작했습니다.

이런 상황에서 일반적인 해결책은 익숙할 것입니다. 새로운 서비스를 설계하고, 캠페인 계획 및 관리를 위한 "올바른" 상태 머신(state machine)을 정의한 다음, 몇 개의 REST 엔드포인트를 추가하고 이를 UI에 연결하면 끝입니다.

문제는 이러한 방식이 더 이상 우리 업무의 형태와 맞지 않는다는 점입니다.

즉, 핵심 문제는 "새로운 백엔드가 필요하다"가 아니었습니다. 진짜 문제는 다음과 같았습니다:

"구매 채널과 서피스 전반에 걸쳐 일관되게 광고주의 목표를 이해하고, 공유된 신호를 기반으로 추론하며, 사용자를 대신해 기존 광고 API를 오케스트레이션할 수 있는 '통합된 프로그래밍 가능 의사결정 레이어'가 없다."

그렇다고 해서 반대편 극단으로 치달아 거대한 규칙 엔진(rules engine)을 만들고 싶지도 않았습니다. 우리의 광고 로직은 복잡하고 확률적이며 끊임없이 변화합니다. 예측, 최적화, 인사이트는 이미 머신러닝(ML)에 크게 의존하고 있습니다. 이 모든 것을 정적인 의사결정 트리(decision tree)로 고정해 버리면 금방 취약해질 것이고 유지 관리하기도 고통스러울 것입니다.

바로 이러한 공백 때문에 우리는 에이전트 기반(agentic) 접근 방식에 베팅하기로 결정했습니다.

우리는 다음과 같은 기존 방식 대신:

캠페인 계획 및 관리를 다음과 같이 작동하는 일련의 모듈형 에이전트 세트로 취급합니다:

우리 조직에 있어서 이것은 새로운 영역입니다. 지금까지의 AI 작업은 대부분 "엔드포인트 뒤에 모델을 배치"하거나 "UI에 프롬프트 기반의 헬퍼를 추가"하는 수준이었습니다. 하지만 여기서 다루는 내용은 다음과 같습니다.

이는 "워크플로우가 포함된 백엔드 서비스 하나 더 추가하기"와는 완전히 다른 멘탈 모델입니다. 이를 통해 우리는 다음과 같은 관점으로 생각할 수밖에 없게 되었습니다.

우리가 이 모험에 나선 이유는 대안이 너무나 명확하기 때문입니다. 그렇지 않으면 새로운 곳에서 계획이나 최적화를 개선할 때마다 복잡성, 조율 비용, 중복 로직이 계속해서 증가할 것입니다. 에이전트 플랫폼을 사용하면 의사결정을 단 한 번만 중앙화하고, 우리가 이미 보유한 통합 백엔드 위에서 이를 모든 곳으로 투사할 수 있으므로, 제품이 진화하더라도 마침내 워크플로우를 하나로 수렴시킬 수 있습니다.

그다음 질문은 "이것을 어디서 먼저 검증할 것인가?"였습니다.

우리는 첫 번째 유즈케이스로 미디어 플래닝(Media Planning)을 선택했습니다. 이곳은 세일즈, 광고주, 인벤토리, 페이싱, 광고 상품 등 이 모든 복잡성이 한 번에 나타나는 지점이기 때문입니다. 또한 라이프사이클의 초기 단계이므로 여기서 의사결정을 올바르게 내리면 다운스트림의 모든 단계(부킹, 트래픽 처리, 전달, 최적화)가 이점을 누리게 됩니다.

다음 섹션에서는 미디어 플래닝을 에이전트 워크플로우로 전환한 방법, 즉 플래너의 업무를 도구와 기능으로 분해한 방법, 에이전트가 제약 조건을 추론하는 방법, 그리고 기존 시스템을 갈아엎지 않고 이를 어떻게 연동했는지 자세히 살펴보겠습니다.

Ads AI는 구글의 에이전트 개발 키트(ADK)와 Vertex AI를 활용하여 광고주가 스포티파이에서 미디어 플랜을 생성하는 방식을 혁신하는 AI 기반 광고 플랫폼입니다. 복잡한 미디어 플래닝 워크플로우를 병렬로 작동하는 전문 AI 에이전트로 분해함으로써, 자연어로 된 캠페인 요구사항을 이해하고 단 몇 초 만에 최적화된 데이터 기반 미디어 플랜을 생성할 수 있는 시스템을 구축했습니다.

목표: 과거 성과 데이터를 바탕으로, 자연어 상호작용을 통해 광고주가 최적화된 미디어 플랜을 생성할 수 있도록 지원하는 지능형 대화형 인터페이스를 구축합니다.

핵심 요약: 병렬 실행을 지원하는 멀티 에이전트 아키텍처는 개발자 경험과 시스템 성능을 동시에 향상시키면서 복잡한 도메인 문제를 극적으로 단순화할 수 있습니다.

도전 과제

광고 캠페인을 위한 미디어 플래닝에는 다음과 같이 서로 연결된 여러 의사결정이 포함됩니다.

기존 방식에서는 광고주가 이러한 각 차원을 수동으로 구성해야 했으며, 유사한 캠페인에서 과거에 어떤 구성이 효과적이었는지에 대한 인사이트를 얻지 못하는 경우가 많았습니다.

불편 사항 (Pain points):

해결책: 접근 방식 및 구현

설계 및 아키텍처

https://engineering.atspotify.com/2026/2/our-multi-agent-architecture-for-smarter-advertising

우리는 전문화된 AI 에이전트들이 미디어 플래닝의 각기 다른 측면을 처리하는 멀티 에이전트 아키텍처를 선택했습니다. 이 접근 방식은 다음과 같은 몇 가지 장점을 제공합니다.

구현 세부 사항 및 에이전트 구성 요소 분석

Agent 구조

1. RouterAgent - 트래픽 컨트롤러

RouterAgent는 사용자가 입력한 메시지를 분석하여 어떤 정보가 포함되어 있는지 판단합니다.

이 빠른 라우팅 단계 덕분에 불불요한 LLM 호출을 방지하고 조건별 에이전트 실행이 가능해집니다.

2. 전문 레졸루션 에이전트

각 레졸루션 에이전트는 집중된 책임을 집니다.

3. MediaPlannerAgent - 최적화 엔진

MediaPlannerAgent는 마법이 일어나는 곳입니다. 해결된 모든 정보를 가져와 과거 성과 데이터가 지원하는 휴리스틱 기반 엔진을 통해 최적화된 광고 세트 추천안을 생성합니다.

주요 최적화 규칙:

함수 호출(Function Calling)을 통한 도구 통합

우리는 구글 ADK의 FunctionTool을 활용하여 에이전트가 실제 데이터에 접근할 수 있도록 합니다.

@Schema 어노테이션은 LLM에게 도구 파라미터에 대한 구조화된 정보를 제공합니다.

일관된 출력을 위한 프롬프트 엔지니어링

LLM이 일관되고 파싱 가능한 출력을 생성하도록 만드는 것은 어려운 과제입니다. 우리는 엄격한 프롬프트 가드레일을 개발했습니다.

고려된 트레이드오프(Trade-offs):

결과 및 임팩트

성능 지표 (Performance Metrics)

전반적인 임팩트 (Overall Impact)

교훈 및 향후 과제

주요 교훈 (Key Learnings)

향후 과제 (Future Work)

결론

Ads AI를 구축하면서 우리는 복잡하고 여러 단계로 이루어진 워크플로우가 멀티 에이전트 아키텍처에 매우 잘 맞는다는 것을 배웠습니다. 미디어 플래닝 문제를 집중된 프롬프트, 관련 도구, 명확한 책임을 가진 전문 에이전트들로 분해함으로써 강력하면서도 유지 관리가 용이한 시스템을 만들 수 있었습니다.

에이전트 오케스트레이션을 위한 구글의 ADK, LLM 기능을 위한 Vertex AI, 그리고 우리의 과거 성과 데이터의 결합은 광고주가 원하는 것을 이해할 뿐만 아니라, '실제로 무엇이 효과가 있는지'까지 아는 시스템을 탄생시켰습니다.

우리는 앞으로도 Ads AI를 계속 발전시키고 스포티파이의 더 많은 광고 워크플로우에 AI 기반 최적화 기술을 도입할 수 있게 되어 매우 기쁩니다.